La présence accrue de capteurs avancés sur les lignes de production a conduit à la collecte de jeux de données pouvant offrir des informations précieuses sur l’état des machines. Un indicateur important et fiable de l’état des machines, les données de signaux vibratoires permettent une meilleure compréhension des différents défauts survenant dans les systèmes mécaniques. Dans ce travail, nous analysons les signaux vibratoires des systèmes mécaniques équipés de roulements en combinant différentes méthodes de traitement du signal et en les associant à des techniques d’apprentissage automatique afin de classifier divers types de défauts de roulements. Nous mettons également en évidence l’importance de l’utilisation de différentes méthodes de traitement du signal et analysons leur impact sur la précision de détection des défauts de roulements. En plus des algorithmes traditionnels d’apprentissage automatique, nous proposons un réseau de neurones convolutifs, nommé FaultNet, capable de déterminer avec une grande précision le type de défaut de roulement. Le caractère distinctif de ce travail réside dans l’idée de canaux proposés pour extraire davantage d’informations du signal : nous avons empilé les canaux de moyenne et de médiane sur le signal brut afin d’extraire des caractéristiques plus utiles et ainsi améliorer la précision de classification des signaux.